YOLOv4(暂不完整 持续更新)

YOLOv4: Optimal Speed and Accuracy of Object Detection

论文：https://arxiv.org/abs/2004.10934

代码：https://github.com/AlexeyAB/darknet

论文中提到，在COCO数据集上，YOLOv4比YOLOv3提升了10%的AP和12%的fps，所以YOLOv4更加快速、精准。

达到这种效果，主要原因是YOLOv4将很多单独的优化算法做了集成，包括：

• Weighted-Residual-Connections (WRC)
• Cross-Stage-Partial-connections (CSP)-------用来作backbone
• Cross mini-Batch Normalization (CmBN)
• Self-adversarial-training (SAT)
• Mish-activation
• Mosaic data augmentation
• CmBN
• DropBlock regularization
• CIoU loss

本文的主要贡献如下：

1. 提出了一种高效而强大的目标检测模型。它使每个人都可以使用1080 Ti或2080 Ti GPU 训练超快速和准确的目标检测器（牛逼！）。

2. 在检测器训练期间，验证了SOTA的Bag-of Freebies 和Bag-of-Specials方法的影响。

3. 改进了SOTA的方法，使它们更有效，更适合单GPU训练，包括CBN [89]，PAN [49]，SAM [85]等。文章将目前主流的目标检测器框架进行拆分：input、backbone、neck 和 head

总结一下YOLOv4框架：

• Backbone：CSPDarknet53

• Neck：SPP，PAN

• Head：YOLOv3

关于CSPNet的理解可以参考  https://zhuanlan.zhihu.com/p/101909017

其中YOLOv4用到相当多的技巧：

• 用于backbone的BoF（bag of freebies）：CutMix和Mosaic数据增强，DropBlock正则化，Class label smoothing

• 用于backbone的BoS（bag of specials）：Mish激活函数，CSP，MiWRC

• 用于检测器的BoF：CIoU-loss，CmBN，DropBlock正则化，Mosaic数据增强，Self-Adversarial 训练，消除网格敏感性，对单个ground-truth使用多个anchor，Cosine annealing scheduler，最佳超参数，Random training shapes

• 用于检测器的Bos：Mish激活函数，SPP，SAM，PAN，DIoU-NMS

看看YOLOv4部分组件：

从论文中的参数调节、不同实验的对比就可以证明作者的厉害

参考：https://zhuanlan.zhihu.com/p/135980432

 

在github上下载了压缩包，用本地视频做了检测，检测的网络结构如下所示

YOLOv4的backbone应该是到了101行（我现在不明白YOLOv4的backbone   CSPDarknet53结构是什么样的？？），因为shortcut到了101行，后边加的网络层是用来做upsample、以及继续route。

[YOLOv4作者训练好的权重和预训练模型的百度网盘下载地址：链接：https://pan.baidu.com/s/1FNldwUemAnVjUtP9Xrl3PQ
提取码：p6mk]